An Instructional Application of the Multiple-Choice Cloze: A Case Study in the EFL Classroom
Notice bibliographique
Résumé
We explored using multiple-choice cloze (MCC) tests for classroom instruction. The practice of “testing leading teaching” is frequently criticized because it might distort the original teaching objectives. We do not primarily emphasize how to get high scores; instead, we show how to use testing techniques and teaching activities to provide feedback that energizes teaching methods and increases learning effectiveness. We analyzed MCC test-taking strategies, which include leading students to: 1) skim for the first and the last sentence in cloze passages; 2) read the whole cloze passage to grasp its general idea; 3) look for contextual clues; 4) orally express (“thinking out loud”) their reasons for choosing one MCC test item instead of another; and 5) conduct group discussions. Finally, 6) teachers guided the entire class, discussed contextual and situational clues, and provided feedback about student choices and reasons. The experimental design of this research primarily compared the performance between two groups: Experimental and Control. Differences in cloze scores between the two groups were significant, but differences in reading comprehension scores were not. After six 25-minute MCC test lessons, Experimental group students had better MCC test scores than did Control group students. Our findings supported our hypothesis that MCC instruction, even for a short time, would improve performance on a cloze test. We also discuss how to use MCC tests to teach strategies for answering MCC test items.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».